-
题名数据融合在能源互联网故障诊断中的应用
- 1
-
-
作者
郭秋亚
张兆功
胡本然
彭宇
孙迪
关心
-
机构
黑龙江大学计算机科学技术学院
国网黑龙江省电力有限公司
黑龙江大学数据科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2024年第S2期309-315,共7页
-
基金
国家自然科学基金资助项目(61972135)
国家电网公司科技项目(SGHL0000DKJS2310205)。
-
文摘
针对能源互联网故障诊断时存在的模型训练时间长、故障特征提取不充分以及在训练样本数量有限的情况下诊断准确率低等问题,提出一种基于层次聚类和多头注意力的多任务卷积神经网络(HCMHC)模型。该模型通过采用新颖的层次聚类(HC)模型有效减少数据的冗余;同时结合了卷积神经网络(CNN)和多头注意力,更准确地提取出更全面的故障特征;此外,采用对比学习模型来在训练样本数量有限时增强特征间的互补性,进而提升模型对新数据的泛化处理能力和诊断准确度。在具有39条母线和10台发电机的新英格兰测试系统上进行的实验结果表明,HCMHC模型在两个不同的数据集上分别实现了99.8%和99.5%的准确率,相较于多输入CNN (MI-CNN)模型分别提高了约4.3和4.5个百分点。此外,即使在训练集与验证集的比例为20/80时,该模型仍然在两个数据集上分别达到了98.3%和95.8%的准确率。可见,所提模型在故障诊断领域中具有显著的有效性和优越性。
-
关键词
故障诊断
数据融合
对比学习
多头注意力
互补故障特征
-
Keywords
fault diagnosis
data fusion
contrastive learning
multi-head attention
complementary fault feature
-
分类号
TP274
[自动化与计算机技术—检测技术与自动化装置]
-
